XLSTAT : Analyse de la satisfaction des consommateurs avec PLS-PM dans Excel

 

Contexte

L’approche PLS-PM est une méthode statistique de modélisation des relations complexes entre variables latentes et variables manifestes, appartenant à la famille des modèles d’équations structurelles (SEM). Elle privilégie une dimension prédictive pour estimer les relations et tester des hypothèses de causalité, tout en permettant d’intégrer des connaissances théoriques grâce à des variantes comme l’approche hiérarchique ou confirmatoire.

 

Jeu de données

250 clients d’un opérateur de téléphones portables ont été contactés afin de répondre à un grand nombre de questions pour pouvoir modéliser leur fidélité envers l’opérateur. Le modèle PLSPM est basé sur l’indice de satisfaction européen des clients (ECSI).

 

Paramétrage

Les projets XLSTAT-PLSPM sont des classeurs Excel spécifiques. Lorsqu’un nouveau projet est créé, il prend le nom PLSPMBook. Il est possible ensuite de le sauver, en utilisant la commande Enregistrer le projet sous de la barre XLSTAT-PLSPM afin de la sauvegarder en entier avec l’extension *.ppmx.

• Ouvrez XLSTAT.

• Cliquez sur Nouveau projet.

Un projet XLSTAT-PLSPM vierge contient deux feuilles qui ne peuvent pas être supprimées :

D1 : feuille de calcul vide dans laquelle il faut copier les données que l’on veut traiter.

PLSPMGraph : Feuille blanche utilisée pour dessiner le modèle. Lorsque cette feuille est sélectionnée, la barre d’outils apparaît.

• Sélectionnez le mode d’affichage marketing dans les options XLSTAT-PLSPM.

• Copiez les données d’une feuille classique Excel vers la feuille D1.

• Construisez le modèle :

  • Allez dans la feuille PLSPMGraph. La barre de commandes se trouve en haut à gauche :

• Pour créer plusieurs variables latentes à la suite, double-cliquez sur le bouton dédié, de façon à ce qu’il reste enfoncé :

• Ajoutez les flèches reliant les variables latentes les unes aux autres. Pour ajouter une flèche, il suffit de cliquer sur la variable latente de laquelle elle part et de sélectionner la variable latente de destination en gardant appuyer le bouton Ctr+L. Une fois les deux variables sélectionnées, utilisez soit le bouton de la barre d’outils comme dans la figure suivante, soit le raccourci clavier Ctrl+L.

• Définissez les variables manifestes associées à chaque variable latente. Cliquez sur la variable latente et utilisez le bouton MV de la barre :

Dans l’onglet Général :

• Sélectionnez les colonnes de données quantitatives reliées à la variable latente.

• Choisissez le mode réflectif.

Par exemple, pour la variable latente Attente, la boîte de dialogue aura la forme suivante :

Le modèle obtenu a la forme suivante :

• Cliquez sur l’icône pour sélectionner les options de calcul.

Dans l’onglet Général :

• Sélectionnez l'option Standardisé, poids sur MV standardisé pour le Traitement des variables manifestes et l'option Valeurs du premier vecteur propre pour les Poids initiaux.

Dans l’onglet Sorties :

• Activez l'option Modèle.

• Activez les scores des variables latentes et sélectionnez l'option Standardisée.

 

 

Interpréter les résultats – première partie

La première partie des résultats rassemble des informations sur les données et le modèle créé (statistiques descriptives des variables manifestes, spécification du modèle).

Le premier élément important est la vérification de l’unidimensionnalité des blocs. Nous nous trouvons dans le cas réflectif, les blocs doivent donc être unidimensionnels. On utilise donc le tableau donnant la fiabilité des blocs :

On peut voir que l’alpha de Cronbach est en-dessous de son seuil (0,7) pour les variables Attente et Fidélité. Néanmoins, le rho de Dillon et Goldstein est toujours supérieur à 0,7. Finalement, la première valeur propre est beaucoup plus grande que la seconde dans beaucoup de cas. Ces résultats nous poussent à considérer que les blocs sont unidimensionnels même si une analyse des dimensions supplémentaires de l’Attente et de la Fidélité pourrait être intéressante. Par ailleurs, les indices n’apparaissent pas pour la variable latente Réclamations car elle ne possède qu’une seule variable manifeste associée.

La sortie suivante est le tableau des GoF qui permettent d’évaluer la qualité d’ajustement du modèle :

On voit que le GoF absolu est de 0,471, très proche de son estimation bootstrap. Cette valeur est difficile à interpréter et sert surtout à comparer différents groupes d’individus ou différents modèles.

Deux tableaux suivants détaillent les poids externes et les corrélations associées au modèle de mesure.

 

Interpréter les résultats – deuxième partie

Une fois le modèle de mesure étudié, le modèle structurel peut être analysé. Pour chaque variable latente, un certain nombre d’informations sont rassemblées. Nous prenons l’exemple de la satisfaction :

Ainsi, avec un R² de 0,680, on peut considérer que la variable latente est bien expliquée. On voit que c’est la Qualité perçue qui a le plus fort impact sur la Satisfaction suivie par la Valeur perçue. L’impact des Attentes est non significatif. Le dernier tableau résume l’ensemble des résultats précédents. On voit que la Qualité perçue contribue à 60 % du R².

Le graphe suivant illustre les résultats précédents :

Ensuite les sorties liées à l’analyse marketing peuvent être trouvées. On trouve d’abord les IPMA (Importance Performance Matrix Analysis) qui permettent de visualiser l’importance et la performance de variables latentes sur une variable cible. Si on regarde la Satisfaction, nous avons :

On voit que la Qualité perçue est la plus importante et la plus performante. Il sera difficile d’augmenter la performance de cette variable latente sachant que celle-ci est déjà élevée. Ensuite viennent les Attentes et l’Image qui ont la même importance. L’Image semble intéressante car sa performance est plus faible et pourra sûrement être améliorée plus facilement.